全东信破产，日本经济遮羞布彻底没了 有个挺开心的新闻，2026年7月6号，日本大阪地方法院一纸裁定，一家叫“全东信”的公司，正式破产了。 这家公司负债多少呢？1259亿2900万日元。 这是2026年到现在，日本最大的一起破产案。 20万家加盟店，一夜之间，刷卡机变砖头，钱全卡在里头取不出来。 有人要问了，不就倒了一家公司嘛，至于大惊小怪嘛？ 至于。太至于了。 这不是一家公司的死，这是一场地震。震中是大阪，震波正以每小时三百公里的速度，碾过全日本每一个街角的小餐馆、小便利店、小居酒屋。 先简单捋一下全东信是干嘛的。 说白了，它就是个“垫钱的中介”。 咱们出去吃饭，刷卡结账——信用卡公司不会当天就把钱打给店家，通常要等上十天半个月。小店等不起啊，房租水电人工天天要付，怎么办？全东信跳出来说：你把刷卡记录给我，我先垫给你，等信用卡公司把钱打过来了，我再收回来，我赚个手续费。 听着挺美对吧？店家早拿钱，全东信赚差价，双赢。 巅峰时期，全东信手下签了20万家店。20万家，什么概念？全日本差不多每五家能用信用卡的小店，就有一家走的是它的通道。年营收干到过82亿日元。 但是啊，这玩意儿跟高空走钢丝没区别。 它垫出去的钱，是找银行借的。它要等回来的钱，在信用卡公司手里。中间的每一分每一秒，命都攥在别人手里。 结果呢？三把刀捅过来，刀刀见血。 第一刀，疫情。 2020年开始，餐饮业什么光景你们都知道——停业、时短、没人敢下馆子。加盟店生意黄了，全东信的营收跟着崩。但该垫的钱还得垫，该还的贷款一分不能少。债务越滚越大，像一个吹到极限的气球。 第二刀，自家员工捅的。 2024年1月，全东信几个员工，拿别人的名义给“宰客店”违规签约，被警察抓了。公司连带被送检，罪名是涉嫌违反《组织犯罪处罚法》。 一家做支付结算的公司，跟组织犯罪挂上钩，你还指望银行给你放款？你还指望信用卡公司跟你合作？信用这东西，建立起来要几十年，毁掉只需要一天。 从那天起，全东信的资金链就崩了。 第三刀，也是最狠的一刀——模式本身的死穴。 咱们捋一下这个资金链：店家刷卡→全东信垫钱→等着卡公司回款。 问题是，全东信的钱是借来的。每天都有利息在烧。店家那边它得按时垫，卡公司那边回款又经常延期。一来一去，中间的窟窿全靠拆东墙补西墙。 搞事大妈上台后利息一涨，借钱的成本越来越高，墙没了，只剩窟窿。 三刀捅完，四十年的基业，灰飞烟灭。 那么全东信倒了，谁最惨？ 不是那个持股的大股东，不是那个年薪几千万的社长。是那20万家小店。 第一，钱没了。 客人已经刷了卡，但钱还在全东信的账上。破产之后，这笔钱叫“破产债权”。翻译成人话就是：排队等着分剩下的渣。大概率，拿不回来了。 有店主说，一个月份的营业额，就这么人间蒸发了。 第二，卡刷不了了。 破产管财人一纸通知：全东信的终端，即日起全部停用。 日本饮食团体连合会急得跳脚，连夜喊话：赶紧停用！统计没到账的钱！马上换别家！ 但问题是，换别家要时间，要审核，要重新签合同。这几天你让店里怎么收钱？全收现金？日本现在多少人出门还带现金？ 第三，连锁倒闭。 小餐饮店就靠现金流活着——今天收的钱付今天的菜钱、今天的工钱、今天的房租。 几百万日元的销售额突然没了，拿什么付？拿什么撑？ 这不是一家店的问题。这是一串多米诺骨牌——全东信倒了，压垮一批小店；小店倒了，欠供应商的钱还不了；供应商收不到钱，又得压垮上一级。 一个接一个，像割韭菜一样，一茬一茬地倒。 全东信只是露在水面上的冰山一角。水面底下，是日本经济几十年的烂账。 我们来看一组数据。 2025财年，日本破产企业10505家，十多年来最高。2026年4月单月破产899家，近十年同期最高。2026年上半年，因为日元贬值直接干倒的企业45家，比去年暴涨32%，有统计以来最高。 这些破产企业里，九成是中小企业，负债不到1亿日元的占77%。还有六成，是那种存续了十年以上、常年不赚钱、全靠硬撑的“僵尸企业”。 什么叫僵尸？就是活着跟死了一样，但又不敢真死。 日元贬值，进口原材料贵上天，人工也涨，物价也涨，中小企业的利润被挤得就剩一层皮。大企业还能靠出口赚点汇率差价，小微企业呢？它们的市场在日本国内，日元越便宜，它们越惨。 OECD说2026年日本GDP增速只有0.7%，2027年0.9%，比2025年的1.2%还低。摩根大通更直接——中东打起来油价一冲，日本增速直接归零。 而日本央行还要加息，2027年底前加到2%。 加息意味着什么？意味着借钱更贵，还债更难，小店死得更快。 那么，全东信这1259亿的窟窿，最后谁填？ 银行先扛。东和银行宣布58.86亿日元贷款要做坏账。三十三银行、大光银行、高知银行、岛根银行……一个接一个出来认亏。 但真正被碾碎的，是那些街边的小店。一个月的销售额凭空消失，对一家小店来说，就是从“还能再撑撑”变成“明天就关门”。 日本饮食团体连合会推“安全网贷款”，政府出钱救急。 但我问你——贷款，是借的钱。借了不用还吗？一个已经断了现金流的小店，贷款不过是把绞刑的绳子往后挪了几个月。 全东信不是一个孤立事件。它是日本经济结构性病灶的一次急性发作。疫情欠的债、金融中介的畸形、小微企业脆得像纸一样的生存链——全在这一刻爆了。 一家服务20万家店的中介公司倒下，20万家店同时失血。 这不是市场调节。这是系统性塌方。 1937年7月7日。卢沟桥。 那一天发生的事，改变了整个东亚。 89年后的今天，又是7月7日。全东信破产的消息在日本刷屏。而我们在彼岸看着，看到一个曾经差点吞下整个亚洲的法西斯怪物，如今连一家替小店垫钱的中介都救不活。 或许，这就是天道好轮回吧。

#BGB# 定投五年规划书（2025-2030） 一、投资背景与目标 1.1 背景 #BGB# 是 #Bitget交易所的平台币，具有交易费折扣、Launchpool等挖矿打新收益、链上gas消耗、季度定期销毁、生态应用等功能。BGB在2024年表现突出，上涨势头强劲（从0#.6 USDT涨至8 USDT以上，涨幅最高1300%），且Bitget交易所排名前4，平台币具备较大投资潜力。 本规划书以稳健投资为核心，强调纪律性和长期坚持，锻炼个人理性投资能力。 1.2 投资目标 🔹财务目标：通过五年定投BGB，实现资产增值，力争年化收益率超越BTC 🔹长期目标：累积一定数量的BGB，分享Bitget生态增长红利，同时为未来5-10年的财务规划储备资金。 🔹风险控制：通过分批投资摊平成本，降低市场波动的冲击，最大亏损控制在可接受范围内。 1.3 前提条件 🔹每日定投金额：8 USDT（最低标准，根据个人收入情况按月调整）。 🔹定投周期：2025年5月1日起至2030年4月30日，共60个月1826天。 🔹BGB价格波动：参考历史数据，假设未来五年市场经历1-2轮牛熊周期，价格可能在3-50 USDT间波动。 市场趋势：Bitget交易所持续发展，#Bitgetwallet# #Morph公链# 等BGB生态应用扩展及链上gas消耗，季度定期销毁通缩等，长期价值趋于上升。 二、定投策略 2.1 定投方式 🔹定期定额：每日00：08分投入固定金额8 USDT购买BGB，通过Bitget平台"现货定投+"功能自动扣款。 🔹复利再投资：参与Bitget Launchpool、PoolX挖矿及LaunchX打新，参与平台及钱包的不定期活动、推特sp抽奖、Bitget Insights观点创作，参与币安alpha交互累积积分获取空投和打新机会，持续深耕Kaitoai等热点项目，将获得空投、活动、奖金等收益复投，增强复利效应。 🔹动态调整：在市场极端低谷（如价格跌至3 USDT以下）可考虑加大投资，但不超过月可支配收入的40%；在市场高位（如价格突破50USDT）可考虑暂停定投或减少金额。 2.2 资金分配 🔹总投入：8 USDT × 1826天 = 14608 USDT。 🔹应急储备：保留约3000 USDT备用，避免因市场波动影响生活质量。 🔹其他资产：资金较少，不考虑其他仓位配比 三、五年执行计划 3.1 分阶段目标（未考虑红利及额外收益复投） 年份时间段天数定投金额（USDT）预期BGB累积数量市场预估(USDT)完成数量 2025 05/01-12/31 245 1960 130-490 4-15 2026 01/01-12/31 365 2920 146-417 7-20 2027 01/01-12/31 365 2920 146-91 10-20 2028 01/01-12/31 366 2928 98-195 5-30 2029/1/01-2030/4/30 4853880 78-194 20-50 合计 2025/5/1-2030/4/30 1826 14608 598-1387 10-24 3.2 情景分析 🔹乐观情景（牛市驱动）：BGB随Bitget生态扩张涨至50 USDT，五年总价值约29900-69350 USDT，收益率约105%-375%。 🔹中性情景（震荡市场）：BGB价格在20-35 USDT波动，总价值约16146-37422 USDT（取平均值27.5计算），收益率约12%至156%。 🔹悲观情景（熊市主导）：BGB跌至10 USDT以下，总价值约5980-13870 USDT，亏损约5%-59%。 参考bitget2024年全年挖矿打新复投bgb的币本位年华收益34%来看，在悲观情景下反而是增加仓位的绝好机会，在保持定投的前提下，把握好加仓机会。 3.3 关键节点 🔹2026年：若进入熊市，加大定投力度，累积低成本份额。 🔹2028年：牛市启动时，评估是否部分止盈（如卖出20%持仓）。 🔹2030年：根据BGB价格和Bitget生态发展，决定继续持有或全部退出。 四、风险管理 4.1 市场风险 🔹波动风险：加密货币市场可能经历剧烈波动，BGB价格可能跌至3 USDT以下。应对：坚持定投，摊平成本；避免追涨杀跌。 4.2 投资风险 🔹标的单一风险：BGB集中投资可能导致亏损。应对：搭配比特币、ETH等主流币或传统资产分散风险。（资金大再考虑） 4.3 心理风险 🔹情绪波动：市场下跌可能引发恐慌，上涨可能导致贪婪。应对：严格按纪律性定投计划执行，避免频繁调整；定期复盘，保持理性。 五、收益测算 5.1 假设条件 🔹总投入：14608 USDT。 🔹定投频率：每月1000 USDT。 🔹平台挖矿复投：假设每年额外获得20%BGB（参考2024年数据34%平均估计）。 🔹五年末BGB价格：乐观50 USDT，30 USDT，悲观10 USDT。 5.2 收益估算 情景平均成本（USDT/BGB）总BGB数量总价值（USDT）收益率 乐观 7.3 2000 100000 585% 中性 7.3 2000 60000 311% 悲观 7.3 2000 20000 37% 注：挖矿打新收益可能提升总BGB数量至2,000-4,000枚，增强回报。 六、实施与跟踪 6.1 实施步骤 🔹2025年4月30日：往Bitget帐户准备300 USDT。 🔹2025年5月1日：启动定投计划，设置自动扣款。 🔹每月：检查扣款记录，参与Launchpool、poolx等活动，根据收入情况适当调整定投金额。 🔹每年末：复盘定投收益，调整策略决定是否加仓或减仓。 6.2 跟踪指标 🔹持仓成本：每月记录平均买入价格。 🔹市场动态：关注Bitget公告、BGB白皮书更新、生态发展变化、交易量变化。 🔹收益情况：每月统计账户总价值，计算收益率。 6.3 退出机制 🔹止盈点：BGB价格突破30-50 USDT，且市场估值过高（如市盈率异常）时，考虑分批卖出。 🔹止损点：若Bitget平台出现重大负面事件（如破产、监管禁令），立即清仓。 🔹长期持有：若BGB生态持续发展，可延长持有至2035年，根据发展情况再调整。 七、注意事项 🔹资金安全：启用两步验证，定期备份私钥，避免资金被盗。 🔹税务合规：了解本地加密货币税务政策，记录交易明细。 🔹持续学习：关注区块链行业动态，学习定投与风险管理知识。 🔹心理准备：接受短期亏损，聚焦长期收益，避免情绪化操作。 ________________________________________ 八、总结 本五年定投BGB规划书以纪律性投资为核心，通过定期定额、复利再投资和动态调整，力争在高波动市场中实现稳健增值。预计总投入14608 USDT，乐观情景下可获100,000 USDT（585%收益率），中性情景60,000 USDT（311%收益率），悲观情景仍可通过逢低加仓长期持有翻盘。关键在于坚持定投、分散风险和理性决策。 这不仅是定投策略，也是对信仰的历练，更是对人性的挑战！加油☀️ @Bitget_zh @xiejiayinBitget @GracyBitget

今日模型推算｜北京时间 2026-07-11昨日方向命中🎯 🇪🇸 西班牙 vs 🇧🇪 比利时 方向：西班牙不败，偏西班牙小胜 胜平负概率： - 西班牙胜：59.2% - 平局：22.3% - 比利时胜：18.4% Top5 比分： - 1-1（10.6%） - 2-1（9.8%） - 2-0（9.7%） - 1-0（9.6%） - 3-1（6.7%） 综合Top3： - 2-1 - 2-0 - 3-1 大比分概率： - 西班牙赢2球+：36.1% - 西班牙赢3球+：17.8% - 比利时赢2球+：6.6% - 3.5球以上：37.6% 分析： 这场主线还是在西班牙这边。模型给西班牙接近六成胜率，说明不是纯五五开。西班牙的控制力、整体性和防守稳定性更强，更容易把比赛带进自己熟悉的节奏。比利时不是没有威胁，反击和个人能力都在，但正常节奏下更像是需要抓转换才能打穿。原始模型最高比分其实是1-1，所以这场不是无脑碾压局；只是综合胜率、赢2球概率和比赛形态来看，西班牙小胜还是主线。 今日结论： - 西班牙不败，偏西班牙小胜 - 如果比赛被拖慢，1-1要防，但主方向还是西班牙这边 复盘原则：只看方向、综合Top3和风险，不把单一比分当结果。 免责声明：仅供赛前模型参考做图，高盛模型的

📊🚨 独家数据：欧洲冠军杯外围赛 古比斯 vs 沙巴巴库 全场进球与 Over/Under Real-Time Odds 汇总 今晚11.00pm 欧冠外围赛今日迎来真正强强对话！中国足彩精选场次，两队竞争悬殊极小 目前全场的 Over/Under（大小球）基础盘口开在 2.5 球 大球 Over 0.89 / 小球 Under 0.93），但同时也有机构防范开出 2/2.5 球 的超低水（大球 0.62） 暗示这可能是一场战术拉满的胶着拉锯战！ 📋 即时核心盘口（Market Overview）： Handicap（让球）：古比斯（KuPS）主场让步 -0/0.5球（水位 -0.93） 或者是平手盘 0球（水位 -0.86），两队独赢赔率极其接近（2.81 vs 2.19） 谁也没有稳胜的绝对把握！ Correct Score（经典波胆）：目前最被防范的热门比分落在 1:1（6.2）、1:0（8.0 / 9.6） 和 2:1（9.2 / 10） 平局或者一球小胜的期望值最高。 1st Half O/U（上半场大小球）：线开在 1.0球（Over 水位 0.80）或 1/1.5球 🏆⚽ #UCL# #欧冠外围赛# #Handicap# #OverUnder# #KuPS# #ZiraFK# #FootballOdds# 足彩

【A股盘中】📊 2026年7月8日 周三 14:30实时快照 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ⚠️ 本报告基于今日盘中实时数据，数据截止14:30 一、盘中盘面速览 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 截至14:30，三大指数表现分化： • 上证指数：小幅上涨 (+1.43%) • 深证成指：小幅下跌 (-0.85%) • 创业板指：大幅上涨 (+0.85%) • 科创50指数：涨近2% 市场整体呈现"沪强深弱"格局，创业板和科创板表现强势。 成交量方面，个股涨跌比为1500:3700（约28%上涨），市场整体涨少跌多，分化明显。 【市场情绪判断】：偏多/震荡 科技主线继续独撑赚钱效应，但个股分化加剧，操作难度加大。 二、板块涨跌实时排行 📈📉 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【涨幅前五板块】 1. 云计算：+4.18%（涨停潮，浪潮信息、网宿科技等涨停） 2. AI服务器：+3.5% 3. 算力：+2.8% 4. 半导体：+2.1% 5. 数字经济：+1.8% 【跌幅前五板块】 1. 医药商业：-2.1% 2. 房地产：-1.8% 3. 银行：-1.2% 4. 保险：-0.9% 5. 消费：-0.6% 【板块轮动节奏】 今日市场风格偏向进攻型，科技主线（云计算、AI服务器、算力）成为资金主攻方向，权重蓝筹表现相对疲软。 三、盘中资金流向 💰（截至14:30数据） ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【主力资金净流入TOP5行业】（数据来源：东方财富） 1. 电子：+38亿元（机构资金大幅流入） 2. 计算机：+25亿元 3. 通信：+18亿元 4. 传媒：+12亿元 5. 机械设备：+8亿元 【主力资金净流出TOP5行业】 1. 医药生物：-15亿元 2. 电力设备：-12亿元 3. 有色金属：-9亿元 4. 房地产：-7亿元 5. 银行：-5亿元 【主力资金净流入TOP5个股】 1. 浪潮信息：+8.5亿元 2. 中科曙光：+5.2亿元 3. 科大讯飞：+3.8亿元 4. 紫光股份：+3.1亿元 5. 拓维信息：+2.6亿元 【资金属性判断】：机构主导 + 游资配合 四、今日涨停板分析 🔥 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【涨停板概况】 • 涨停数量：约40只（截至14:30） • 主要分布：云计算、AI服务器、算力等科技方向 【涨停原因分类】 • 业绩驱动（60%）：浪潮信息中报预增226%-288% • 政策催化（25%）：AI产业政策持续加码 • 事件驱动（15%）：巨头算力投资加速 【重点涨停股】 • 浪潮信息：一字涨停，封单120万手，净利润预增226%-288% • 网宿科技、深信服：20cm涨停 • 紫光股份、云赛智联、数据港：10cm涨停 【封板强度评估】：强 五、今日盘中重要消息汇总 📰 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【消息1：浪潮信息业绩预告超预期】 • 内容：预计上半年净利润26-31亿元，同比增长226%-288% • 催化板块：云计算、AI服务器 • 消息级别：行业级 【消息2：云计算ETF持续吸金】 • 内容：云计算ETF华夏(516630)近3日吸金近1亿元 【消息3：AI算力需求持续高增长】 • 内容：开源证券指出AI驱动云计算进入新一轮增长周期 六、尾盘操作建议 ⚡️ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【今日市场定性】：进攻 【尾盘是否参与？】：✅ 干 【如果参与，买什么方向？】 1. 云计算/AI服务器（首选）- 逻辑：业绩验证+政策催化+资金共识 2. 算力概念（次选）- 逻辑：算力需求持续旺盛 3. ETF配置（稳健）- 云计算ETF华夏(516630) 【仓位建议】 • 激进投资者：3-5成仓，聚焦云计算核心标的 • 稳健投资者：1-2成仓，关注ETF或低位科技股 【风险提示】 1. 云计算板块短期涨幅过大，注意回调风险 2. 中报业绩披露密集期，警惕业绩不及预期 3. 科技股波动加大，注意仓位控制 4. 市场分化严重，务必精选个股 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 请关注、转发、收藏，华尔街观察团队将持续跟踪相关消息、解读量化数据，基于WSV模型，给出股票、黄金、债券（ETF）大类资产及板块（ETF）轮动量数据，个股案例研究，为您提供超前布局机会。 ⭐️⭐️⭐️ 文章所载内容信息参考，不构成任何投资建议或操作指南。信息基于公开公告整理和量化数据机器学习计算，文章信息与数据的真实性、完整性、有效性不承担任何责任。历史数据不代表未来、案例分析不代表收益承诺。投资者据此操作，风险自担。投资有风险，入市需谨慎。 数据获取时间：2026-07-08 14:30

中金今天发了一篇关于韩国股市杠杆水平已经至历史高位的研报不错，我给大家分享一些研报中的核心观点。 （1）先说结论：目前韩国股市内散户投资者高度集中，并且杠杆水平也已经相当高，后续很容易大起大落的行情。 （2）截止截至5月，韩股成交额中个人投资者占比达46%，而这一比例在去年12月更是高达60%，高于5月海外投资者（34%）和本地机构投资者（20%）占比。若看成交量占比，截至5月韩股个人投资者占比高达71%，同样远高于海外投资者（24%）和本地机构（5%）。横向对比来看，截至2025年，美股成交占比中散户仅占20%，足以说明韩股的散户主导。——关键是，韩股场内券商融资的理论最高杠杆倍数可达2.5x，高于国内的1x和美国的2x。不仅如此，韩股还有丰富的杠杆产品，例如5月底韩交所上市针对个股的杠杆ETF，衍生品也涵盖KOSPI 200 期货与期权、KOSDAQ 150 期货与期权以及场外的CFD、TRS等工具。 （3）目前韩国股市的市值和杠杆高度集中在头部龙头个股，这就很容易放大波动，三星和海力士作为存储龙头和韩股市值最大的两家公司，合计占KOSPI总市值的近六成。自5月底韩交所上市针对三星和海力士的两倍杠杆ETF后，规模迅速扩张至17万亿韩元，若再加上香港上市的两倍做多三星和海力士ETF 31万亿韩元的规模，占三星和海力士合计市值的1.2%。杠杆ETF内部的多空比例极其悬殊，两倍做多的规模是两倍做空的206倍，可见杠杆的集中和拥挤。 （4）当前韩股券商融资余额已达38万亿韩元的历史新高，同比增长125%，但占自由流通市值比例并不高。若对比韩股自由流通市值，由于市值增速更快，融资余额占自由流通市值比例反而从2021年高点1.8%回落至当前0.9%。若对比成交额，融资余额占韩股30日移动平均成交额的比例，同样从2025年9月高点的140%回落至当前的60%。 （5）当前全球韩股杠杆ETF总规模达469亿美元，占韩股自由流通市值的1.5%，其中海外杠杆ETF约六成。韩国本土单一股票杠杆ETF推出后，资金和交易高度集中于三星电子、SK海力士等半导体权重股。在韩国本土的两倍做多三星和海力士杠杆ETF交易结构中，外资占比最高（44%），其次是散户（32%）和本地机构（25%）。但从买卖盘来看，散户是主要买入方。 （6）场内期货和期权：杠杆可达5倍以上，主要参与者是机构。韩交所有系列针对股指和个股的期货和期权，如KOSPI200期货/期权、mini KOSPI200期货/期权等。这些产品的杠杆倍数更高，例如KOSPI200期货的客户保证金（customer margin rate）为19.5%[7]，对应杠杆5.12x。 韩国期货市场规模大、活跃度高，股指期货名义交易额与韩股交易额相当，名义未平仓期货规模近韩股自由流通市值的3%。1）交易额：韩国股指期货的名义交易额于2026年3月达1176万亿韩元的高点，创2012年以来的新高，随后回落至5月的1064万亿韩元。若对比韩股交易额（KOSPI指数与KOSDAQ指数加总），股指期货交易额占韩股交易额的比例于2025年9月达到165%的高点后下行至当前的90%。2）未平仓规模：仅计算KOSPI200期货，当前名义未平仓规模就有50万亿韩元，占韩股自由流通市值的1.1%。若考虑股指期货和个股期货名义未平仓总规模，将近126万亿韩元，占韩股自由流通市值2.9%。 （7） 场外杠杆：1）CFD（Contract for difference，差价合约），投资者与韩国券商签订场外协议，不对实物资产而是对差价进行结算，券商常通过外资行进行背靠背（back-to-back）交易和对冲。在近年韩国监管收紧后，杠杆倍数从早期最高10x降至2.5x，主要参与者为高净值散户和机构。当前规模约3.6万亿韩元，占韩股自由流通市值的0.08%。2）证券担保贷款，以账户持有的股票等资产再抵押给券商借现金，可放大杠杆倍数；当前规模26万亿韩元，占韩股自由流通市值0.6%。3）ELS（Equity-linked securities，股票联接证券），投资者认购产品收益挂钩某一篮子股票或指数的产品，内嵌期权杠杆；当前规模为12万亿韩元，占韩股自由流通市值0.26%。4）此外，投资者还可通过信用贷、消费贷等获得贷款再向券商融资买入，以及场外期权等方式加杠杆。对于机构而言，还可通过场外TRS（Total return swap，总收益互换）等方式加杠杆。 （8）综合以上各个维度，当前韩股杠杆规模绝对水平已至历史高位，以上可得口径加总的韩国股市广义杠杆产品规模约271万亿韩元，相当于韩股自由流通市值比例6.2%。从绝对水平看，融资余额、证券担保贷款、CFD等规模都处于历史高位。

投机解码的 drafter 从来都是一个 token 一个 token 地猜。做出 DFlash 的推理公司 Inco AI 说这没必要：正确的 token 本来就在候选列表里，整块并行预测之后挑出一条连贯路径，输出不变，每次验证多赚一个完整的 token。 《DFlash 2：保持并行起草》 推理是 agent 时代的瓶颈。agent 会读、会规划、会调用工具，常常一跑就是几小时甚至几天。它们消耗 token 的速度，是聊天场景从未达到过的。而每一个 token 都要在模型上跑一次完整的前向传播。在 Inco AI，我们在构建一套面向未来 token 经济学的推理栈。这篇文章是一次预览。 我们的团队 1 月发布了 DFlash（论文： SGLang、vLLM、TensorRT-LLM 和 llama.cpp 里。NVIDIA 在 Blackwell GPU 上用它测到了最高 15 倍的吞吐；Google 报告在 TPU 上每秒 token 数提升 3 倍；CoreWeave 生产环境的 Kimi K2.7 Code 端点（Artificial Analysis 上该模型最快的端点）默认就跑 DFlash。生态已经在它之上构建：NVIDIA、Red Hat、Modal 都发布了 DFlash drafter；Meta（Muse Glimmer）、Poolside（Laguna）、小米（MiMo-V2.5-Pro）、NVIDIA（Nemotron 3.5 Lightning）随自家模型发布官方 drafter。在 Hugging Face 上，DFlash 模型被下载了超过 350 万次（截至 2026 年 8 月）。 投机解码是现代推理栈的核心组件之一。一个小 drafter 模型猜出一整块 token，目标模型在一次前向传播里验证整块。猜得好，一次前向变成多个 token；猜得差，丢掉重来。但多年来，起草本身一直是自回归的：一次一个 token。DFlash 让它也变成了一次通过：整块、每个位置，并行预测。 （演示视频：DFlash 2 在 Apple M5 Max 上用 oMLX 为 Qwen3.8-27B 起草，与自回归解码并排对比。 DFlash 2 把并行起草又往前推了一步：每次验证通过多产出 20% 以上的输出，增加的周期延迟只有约 1%，而输出可证明不变。跨基准测试的增益在 16–25%。配合今天发布的 Qwen3.8-27B drafter，SGLang 在 batch size 1 下达到自回归解码 2.7–3.4 倍的吞吐。每个位置独立预测，留下两处空间：选对 token，以及在块的末尾守住准确率。DFlash 2 把这两处都拿了回来，同时没有放弃一次性通过的设计。 现在就能跑 DFlash 2 已经跑在主流推理引擎里。 SGLang： pip install -U "sglang[all] @ git+" python -m sglang.launch_server \ --model-path Qwen/Qwen3.8-27B \ --speculative-algorithm DFLASH \ --speculative-draft-model-path incoai/Qwen3.8-27B-DFlash2 \ --speculative-num-draft-tokens 8 vLLM： pip install -U "vllm @ git+" vllm serve Qwen/Qwen3.8-27B \ --speculative-config '{ "method": "dflash", "model": "incoai/Qwen3.8-27B-DFlash2", "num_speculative_tokens": 7 }' llama.cpp： git clone cd llama.cpp git fetch origin pull/27342/head:pr-27342 git switch pr-27342 NVIDIA CUDA cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON cmake --build build -j Apple Silicon cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON cmake --build build -j ./build/bin/llama-server \ -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \ -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \ --spec-type draft-dflash \ --spec-draft-n-max 7 oMLX：下载安装支持 DFlash 2 的预构建版（ 在 oMLX 里跑 Qwen3.8-27B 加 DFlash 2： 1. 打开 oMLX 的 Model Downloader，下载 mlx-community/Qwen3.8-27B-4bit 和 incoai/Qwen3.8-27B-DFlash2。 2. 打开 Model Manager，编辑 mlx-community/Qwen3.8-27B-4bit，配置 DFlash： • DFlash：enabled • Draft model：incoai/Qwen3.8-27B-DFlash2 • Draft quantization：enabled • Runtime block size：5 • Verify mode：dflash 3. 保存设置，加载目标模型。 对的 token 早就在候选里 DFlash 每个位置独立、并行地预测。每个选择单独看都合理，但没有什么让它们彼此咬合，一个不连贯的块会在验证时被截断。近期的方法如 Domino 和 DSpark，用顺序的 Markov head 重写每个位置的完整词表分布来买连贯性。但真的需要这种昂贵的自回归纠错吗？ 不需要。证据就在 DFlash 自己的候选列表里。拿第一个位置来说：DFlash 的第一选择 85.4% 的情况下是对的，但正确的 token 99.5% 的情况下都在前 16 个候选里。即使第一选择错了，对的 token 通常也在列表上。 表 1：Recall@1（第一选择正确的概率）与 Recall@16（正确 token 出现在前 16 候选里的概率），按起草位置统计，条件是前面每个位置都正确。GSM8K 上的五层 Qwen3-4B DFlash。接受长度包含验证器产出的下一个 token。 • 位置 0：Recall@1 85.4%，Recall@16 99.5% • 位置 1：80.3%，97.3% • 位置 2：79.4%，94.8% • 位置 3：78.3%，92.6% • 位置 4：77.5%，90.8% • 位置 5：75.9%，89.4% • 位置 6：72.9%，87.8% • 接受长度：4.27（只看第一选择）；6.79（从前 16 里选） 一个总能从前 16 个候选里挑对的那个 oracle，会把接受长度从 4.27 抬到 6.79。这个差距是纯粹的选择空间。我们只需要在候选里选出一条正确的路径。 图 1：一个周期里的选择器。只用 DFlash，每个位置保留自己的第一选择；这里两个相邻位置选了同一个词，结巴在验证时死掉。DFlash 2 保留每个位置的 top 候选，选择器在候选之间走出一条连贯路径；这里整块都活了下来。 一个轻量的路径选择器 连贯性大体是局部的：一个候选合不合适，主要取决于它前面的那个 token，所以给相邻对打分应该就够了。DFlash 2 保留每个位置前 16 个候选，给每一对相邻候选打分。对前一个 token a 和当前候选 b： S_t(a,b) = U_t(b) + ⟨A(a)⊙H(h_t), B(b)⟩ 分数分两部分。第一部分 U_t(b) 是 DFlash 自己的 logit：drafter 本身有多喜欢 b。第二部分问 b 接在 a 后面有多顺：A 和 B 给每个 token 一个紧凑的 256 维嵌入，两个嵌入在一个上下文门控 H(h_t) 下匹配，门控决定匹配的哪些部分算数。本质上，这是对相邻候选做的低秩双线性注意力。 打分全程并行。每个位置的每一对相邻候选一次性全部算完，不需要额外的 backbone 或 LM head 前向。唯一串行的部分，是最后在预计算好的分数上走一遍：从最后一个已验证 token 出发，贪心地跟着每一步最好的后继走，采样从同样的分数里抽取，拒绝采样恢复出精确的目标分布。 表 2：只加路径选择（不加卷积）的接受长度，GSM8K 上的五层 Qwen3-4B。开销相对纯 DFlash：drafter 增加的参数、起草-验证周期增加的延迟。 • DFlash：T=0 下 4.27，T=1 下 3.78 • + DSpark 纠错：+77.8M 参数，+9.6% 延迟；4.49，4.08 • + 路径选择（我们的）：+2.0M 参数，+0.6% 延迟；4.61，4.25 选择器在 T=0 下给 DFlash 加 0.34 个 token，T=1 下加 0.47。两个设置下都超过 DSpark 的纠错，参数少约 40 倍，延迟开销低 16 倍。选择比预测便宜。而且还有空间：oracle 能到 6.79。成对打分是我们能想到的最简单的选择器，我们相信这里还有很多可探索的。 后缀衰减是个局部问题 我们还注意到上面两行 recall 都在块尾下滑。连 oracle 都在衰减：即使选择完美，准确率仍然从第一个位置的 99.5% 掉到最后一个位置的 87.8%。没有选择器能修这个，因为候选自己就不够了。我们把这个叫后缀衰减，它是 backbone 的问题。 一个嫌疑是容量：五层 backbone 可能太小，撑不住横跨整块的依赖。如果真是这样，深度应该在靠后的位置帮上最多的忙。事实也如此：3 层、5 层、15 层的 DFlash 模型在第一个位置上几乎一样，越往块尾分得越开。但深度不加区分：多十层 attention block 到处加容量，连那些没什么可赚的靠前位置也加，把 DFlash 吸引人的那部分效率磨掉了。 图 2：GSM8K 上 Qwen3-4B 的 Recall@1（T=0），条件是前面每个位置都正确。所有 drafter 在相同设置下训练；卷积模型评估时不带选择器。它的卷积增加 3% 参数和 0.7% 周期延迟；15 层模型多出的十层增加 15.2%。 我们要一个有针对性的修法，而 DFlash 的 attention 指出了修哪里。它有两份工作：读块之前的上下文，以及建模块内部的依赖。但它在第二份上花的越来越少：块内注意力占比从第 1 层的 30% 掉到第 5 层的 8%，剩下的还集中在越来越少的一小撮 head 里。所以我们把两份工作拆开：一个专用模块承担块内工作，attention 继续读上下文。 图 3：五层 Qwen3-4B DFlash 的块内注意力按 head 分布。越亮的格子代表在起草块上花注意力越多的 head；靠后的层里，块内质量收缩、集中到少数几个 head。 一个轻量的局部卷积 块内工作本来就是短程的：一个块只有 4 到 16 个 token，最紧的依赖坐在相邻位置之间。自然的算子是短卷积：两个抽头，一个在当前位置，一个够到前一个位置，权重随内容自适应。跟随 Canon Layers、Dynamic Short Convolutions 和 Convolution for Large Language Models 的做法，我们在每个 attention 和 feed-forward 子层前后插入这个双抽头动态深度卷积： Conv_k(x)_t = k_{t,0}⊙x_t + k_{t,1}⊙x_{t-1} 每个系数由一个可学习的基核加上从当前隐藏状态算出的一个小修正组成；每 16 个通道共享一个修正。第一个位置读最后一个已验证 token 的表示，之后的每个位置读它前一个的。信息穿过整块，同时所有位置仍然并行计算。 图 4：双抽头动态卷积。每个 drafter 层的每个 attention 和 MLP 子层前后各有一个。内部：每个位置把自己的表示和前一个的混合；第一个位置读最后一个已验证 token。 卷积是块局部的、无状态的，所以能无缝插进 DFlash，不用动 attention、LM head 或验证。 只加 16.5M 参数（3%），带卷积的五层 DFlash 就逼近了 15 层 DFlash，大幅减轻后缀衰减。卷积给起草-验证周期延迟加 0.7%；多十层 Transformer 层加 15.2%。第 4、5 层的平均块内注意力从 9.4% 降到 0.5%，与卷积吸收局部工作、attention 回到读上下文一致。一个只够到前一个位置的核，买回了十层额外层的大部分收益：后缀衰减大体是个局部问题。 合在一起 到目前为止，选择器和卷积是分开测的；下面的完整对比把它们放在一起。DFlash 和 DSpark drafter 是我们在对齐的设置下自己训练的，MTP 随模型发布。 表 3：Qwen3.5-4B 每请求平均接受长度。采样：thinking 开启，温度 1.0，top-p 0.95，top-k 20，presence penalty 1.5，无损拒绝采样。 • GSM8K：MTP 4.78，DFlash 4.99，DSpark 5.69，DFlash 2 6.20 • MATH-500：5.04，5.42，6.20，6.76 • HumanEval：4.84，5.43，5.80，6.28 • MBPP：4.16，4.49，4.96，5.41 • MT-Bench：3.90，4.26，4.77，5.20 • 平均：4.54，4.92，5.49，5.97 DFlash 2 在每项基准上都领先。平均下来，它比 DFlash 多 1.05 个 token（21%），比 DSpark 多 0.48。升级仍然便宜：选择器和卷积加起来，只给五层 DFlash 的起草-验证周期延迟加了 1.3%。 在 MATH-500 上，增益逐位置可见：DFlash 2 到最后一个位置都稳在 86% 附近，而每个基线在块尾都比它低 6 到 9 个点。 图 5：MATH-500 上 Qwen3.5-4B 的条件接受率，采样同上。 两个 drafter，今天发布 我们今天发布两个 DFlash 2 drafter：一个给 Qwen3.8-27B（ Meta 的 Muse Glimmer（ Qwen3.8-27B，我们对比模型原生的 MTP 路径和一个社区 DSpark drafter。 表 4：Qwen3.8-27B 每请求平均接受长度，模型默认采样、块大小 8，对比原生 MTP 路径和社区 DSpark drafter。 • GSM8K：MTP 5.02，DSpark 4.36，DFlash 2 5.46 • MATH-500：4.72，3.92，5.28 • HumanEval：3.91，3.30，4.39 • MBPP：3.99，3.51，4.79 • MT-Bench：3.74，3.01，4.10 • 平均：4.28，3.62，4.80 对 Meta 的 Muse Glimmer，我们对比随模型发布的官方 DFlash drafter 和一个社区 DSpark drafter。 表 5：Muse Glimmer 每请求平均接受长度，模型默认采样、块大小 16。DFlash 是 Meta 随模型发布的官方 drafter；DSpark 是社区 drafter。 • GSM8K：DFlash 5.43，DSpark 5.45，DFlash 2 6.57 • MATH-500：5.39，5.01，6.56 • HumanEval：4.11，4.33，5.66 • MBPP：3.74，4.02，5.30 • MT-Bench：3.52，3.59，4.42 • 平均：4.44，4.48，5.70 差距很大：在两个模型上，DFlash 2 平均比 DSpark 多出超过一个完整的 token。它也超过每个模型的官方 drafter：Qwen3.8-27B 的 MTP、Muse Glimmer 的 DFlash。换算成吞吐，Qwen3.8-27B 上达到自回归解码的 2.7–3.4 倍，Muse Glimmer 上 3.1–4.6 倍。模型卡（ 底线 agent 一个下午写出来的东西，聊天机器人要写一个月，而每一个 token 底下都坐着解码。DFlash 2 以接近自回归解码 3 倍的速度解码，每个 token 约三分之一的算力，输出相同。 七个月里，DFlash 从我们的论文变成了行业标准，超过 350 万次下载。在同一个设计内部，DFlash 2 每次通过多解码一个完整的 token，免费。那还只是服务栈的一个组件。推理离它的地板还很远。 在 Inco AI，我们在构建一套端到端的服务栈，把这个地板继续往下压。DFlash 2 是第一块。两个 drafter 今天发布在 Hugging Face。 如果你在规模化地服务 agent，想在你的栈里评估 DFlash 2，或者想为你跑的模型（包括你自己的微调）要一个 drafter，写信给我们：contact@inco.ai。 我们也在招人。如果你想一起构建这套栈，联系我们。 把候选连起来。起草，继续并行。 脚注：Modal 的 Speculation Is All You Need 指出，投机解码是对低延迟服务最重要的优化。我们是他们工作的超级粉丝，感谢他们自 DFlash 发布以来的支持和讨论。 本文引用格式：@misc{inco2026dflash2, title={DFlash 2: Keep Drafting Parallel}, year={2026}, month={August}, url={ 原文： #DFlash# #投机解码# #LLM推理#